通过因果关系分析揭示了图神经网络在节点分布迁移中一种存在于环境背景潜在混淆偏差，提出一种简明的、有原则性的方法通过因果推断来训练鲁棒的图神经网络，以抵消训练数据中的混淆偏差，并促进学习可泛化的预测关系。实验证明，该模型可以有效提高各类分布迁移情况下的泛化性能，在图的分布迁移基准测试中相比最先进方法最多提高 27.4% 的准确率。

Feb, 2024

环境感知的动态图学习（EAGLE）框架通过建模复杂的耦合环境和利用时空不变模式，解决了动态图在分布转移下的超出分布预测的问题。

Nov, 2023

通过引入图学习不变领域生成（GLIDER）的新框架，本文在节点级别的属性分布和拓扑结构分布的共同分布转变的情境下，实现了优于基准方法的节点级别 OOD 广义化跨域模型。

Mar, 2024

本文提出了一种基于不变性学习和风险最小化的方法，实现图神经网络对于图结构数据上的越域通用性问题进行预测和预测不确定性的估计。

Feb, 2022

本文提出了一种基于不变和变体模式共混策略的新型图不变性学习方法，能够联合生成混合的多个环境并从混合图数据中捕捉不变模式，通过扩展性实验证明该方法在各种分布转移中显著优于现有方法。

Dec, 2023

本文提出了一种使用标签和环境因果独立（LECI）的方法，通过联合最大化标签和环境信息以解决之前方法中面临的识别因果和不变子图的挑战，并进一步开发了一种对抗训练策略来共同优化这两个特性，从而实现对因果子图的发现，该方法在合成和现实数据集上显著优于先前的方法，成为一种实用和有效的解决方案。

Jun, 2023

提出了一种名为 HYPO（HYPerspherical OOD generalization）的新颖框架，利用高维球面空间证明性地学习域不变的特征表示，并提供了在类内变异性和类间分离性原则下进行指导的超球面学习算法，优化了域外泛化界限。通过对具有挑战性的域外基准的广泛实验，证明了该方法优于竞争基线并取得了卓越性能。

Feb, 2024

我们综合调查了图形领域中的 ODD 概括率，并详细审查了最近在这个领域取得的进展，然后根据其在图形机器学习流水线中的位置，从数据、模型和学习策略等不同概念上将现有方法分为三类，并对每个类别进行了详细讨论，最后分享了我们对未来研究方向的看法。

Feb, 2022

本文提出了使用非欧氏线性外推的方法来实现图形 OOD 广义化，并在不破坏基本因果机制的情况下为特定转移定制 OOD 样本，理论分析和实证结果表明了我们的方法在解决目标转移问题上的有效性。

Jun, 2023

通过采用基于辅助扩散模型的框架，我们提出一种检测异常分子的方法，其中比较输入分子和重构图之间的相似性，并通过生成模型中的迭代去噪过程以有效量化匹配度，构建符合正常分子但远离异常分子的典型图，并使用高效可扩展的异常检测器，比较测试样本与预先构建的典型图之间的相似度并省略每个新分子的生成过程。

Apr, 2024